基于可变形注意力递归特征金字塔的大豆豆荚计数法


发布时间:

2023-07-03

来源:

植物表型资讯

作者:

PhenoTrait

大豆荚的自动计数已成为现代智慧农业中实现大豆智慧育种的关键途径之一。然而,由于豆荚的拥挤和不均匀分布,整个大豆植株的豆荚计数精度仍然有限。本文基于VFNet检测器,提出了一种用于大豆荚计数的可变形注意力递归特征金字塔网络(DARFP-SD),旨在准确识别大豆荚的数量。具体来说,为了提高特征质量,DARFP-SD首先引入了可变形卷积网络(DCN)和注意力递归特征金字塔(ARFP),以减少特征学习过程中的噪声干扰。DARFP-SD进一步结合排斥损失来校正密集荚之间相互干扰导致的预测bboxse的误差。DARFP-SD还在后处理阶段设计了一个密度预测分支,该分支学习自适应软距离IoU,为大豆荚分布不均匀的不同计数场景分配合适的NMS阈值。该模型是在一个密集的大豆数据集上训练的,该数据集有来自三种不同形状和两类的5300多个豆荚,其中包括138幅图像的训练集、46幅图像的验证集和46张图像的测试集。大量实验验证了所提出的DARFP-SD的性能。最终训练损失为1.281,平均准确率为90.35%,平均召回率为85.59%,F1得分为87.90%,分别优于基线方法VFNet 8.36%、4.55%和7.81%。我们还验证了不同数量的大豆荚和不同形状的大豆的应用效果。所有结果都表明了DARFP-SD的有效性,它可以为大豆结荚计数任务提供新的见解。

 

图1 拍摄场景和收集的图像。

 

图片 图2 基于可变形卷积的特征提取。

 

图片 图3 密度预测分支的网络结构。

图片图4. 基于DARFP-SD的计数过程。

图片 图5 基于不同模型的大豆荚的检测效果。

 图6 利用DCN和CBAM实现检测改进的可视化。

 

 图7 不同模型的检测效果和特征可视化。

图8 具有各种损失的检测效果。

图片图9 NMS算法在不同场景下的Pod检测效果。

 

图片 图10 单个图像不同区域检测效果的比较。

 

 图11 DRFPBR-SD与其他检测算法在不同单株荚数下的性能比较。

 

图12 DARFP-SD对不同数量豆荚的检测效果。

 图13 DARFP-SD对不同形状豆荚的检测效果。

 

 
来 源

Xu C, Lu Y, Jiang H, et al. Counting Crowded Soybean Pods Based on Deformable Attention Recursive Feature Pyramid[J]. Agronomy, 2023, 13(6): 1507.

 

https://doi.org/10.3390/agronomy13061507

 

编辑

小王博士在努力
 
 

扩展阅读

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。